Kalman filter
PulseAugur coverage of Kalman filter — every cluster mentioning Kalman filter across labs, papers, and developer communities, ranked by signal.
- instance of extended Kalman filter 90%
- instance of Unscented Kalman Filter 90%
- used by alphaXiv 80%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- used by DagsHub 70%
- used by CatalyzeX 70%
- other Unscented Kalman Filter 70%
- used by lidar 70%
- used by extended Kalman filter 60%
- developed by extended Kalman filter 60%
- competes with extended Kalman filter 50%
3 天有情绪数据
-
基于Transformer的卡尔曼滤波器实现单目航天器姿态估计
研究人员开发了一种新颖的管线，仅使用单目图像即可估计未知航天器的姿态。该方法集成了基于Transformer的神经网络和多状态约束卡尔曼滤波器（MSCKF），以确定目标航天器的相对位置和方向。与以前的方法不同，该管线不需要目标形状的先验知识或额外的传感器，可以泛化到未见过的航天器。该系统在SPE3R数据集上进行了训练和评估，在未知目标的姿态方面显示出3.7°的中值误差，在距离方面显示出2.2%的中值误差。
-
新的LARK系统为图像引导手术提供低成本、高精度跟踪
研究人员开发了LARK，一种用于图像引导手术的新型多摄像头光学跟踪系统。该系统利用经济实惠的RGB硬件和多视图冗余来克服与商用立体红外跟踪器相关的遮挡问题和高成本。即使采用自适应卡尔曼滤波和减少的摄像头视图数量，LARK在点定位和轨迹跟踪方面也实现了0.64毫米和0.73毫米的中值目标配准误差。完整的硬件设计和软件均公开可用，为手术导航研究提供了一种低成本的解决方案。
-
新方法通过剥离领域名称来寻找跨领域的计算解决方案
研究人员开发了一种新颖的方法，通过剥离特定领域的术语并专注于底层的计算结构，从而在不同科学领域识别和导入计算解决方案。这种被称为“领域剥离的计算指纹”的方法将论文提炼成具有受控方面的核心机制骨架，从而能够检索到在不同名称下解决相同问题的论文，例如控制工程中的卡尔曼滤波器、药代动力学中的贝叶斯预测以及地球科学中的数据同化。与传统的嵌入方法相比，该系统显著提高了跨领域检索的准确性，展示了其在学科间的解决方案导入和重用方面的潜力。
-
新框架通过遮挡增强目标追踪能力
研究人员开发了一个新框架，旨在改善在完全和长期遮挡场景下的目标追踪。该系统集成了 YOLOv11n 对象检测、用于运动预测的卡尔曼滤波器以及用于身份恢复的遮挡感知掩码网络。在 OVIS 数据集上与 OccluTrack 进行基准测试，该框架在追踪准确性和身份保持方面表现出显著改进，身份切换减少了 12% 以上。该系统在自定义军事数据集上也表现强劲，凸显了其在需要视线丢失期间持续追踪的国防和监控应用中的潜力。
-
连续时间下新 LEQG 协方差引导问题分析
研究人员在连续时间下构建并分析了线性指数二次高斯（LEQG）协方差引导问题。该问题可以被视为线性二次框架内高斯端点之间的风险敏感薛定谔桥。LEQG 协方差引导控制器是一种线性状态反馈，与风险中性对应物不同，它无法以闭式形式获得。最优控制器由一个对称矩阵定义，该矩阵求解一个反映风险敏感性参数影响的代数方程。
-
FILT3R层通过自适应卡尔曼滤波器增强流式3D重建
研究人员推出FILT3R，这是一种新颖的无需训练的层，旨在通过自适应更新潜在状态来改进流式3D重建。该方法将状态更新视为令牌空间中的随机估计，维护每个令牌的方差，并采用类似卡尔曼的增益来平衡记忆保留和新观测。FILT3R从时间漂移中在线估计过程噪声，与现有技术相比，在深度、姿态和3D重建方面实现了更长的视距稳定性。
-
新方法实现计算问题的跨领域解决方案导入
研究人员开发了一种新颖的方法，用于识别和导入不同科学领域的计算解决方案。通过为研究论文创建领域剥离的计算指纹，他们可以有效地匹配那些使用相似底层方法解决但跨学科命名不同的问题。与传统的基于主题或引用的嵌入相比，这种方法显著提高了跨领域检索的准确性，从而能够将专业求解器从一个领域转移到另一个领域。该系统已成功识别出真正的解决方案候选者并促进了实际导入，例如使用开放标准求解器重现临床剂量引擎的输出。
-
Kalman Delta Networks 通过不确定性感知记忆增强语言模型
研究人员推出了一种名为 Kalman Delta Networks (KDNs) 的新型模型系列，旨在通过引入不确定性感知来增强语言模型中的联想记忆。这些网络将循环联想记忆重新构建为线性高斯状态空间模型，利用卡尔曼滤波器最优地估计记忆状态及其不确定性。KDNs 允许更新根据累积证据和观测可靠性进行调整，改进了现有缺乏显式置信度跟踪的 Delta-rule 模型。开发了两种兼容扫描的近似方法：Diagonal KDN 和 Isotrop…
-
基于事件的摄像头数据通过卡尔曼滤波器残差改进无人机预测
研究人员开发了一种使用事件相机预测无人机（UAV）边界框的新方法。他们的方法将恒定速度卡尔曼滤波器与预测类似加速度校正的残差模型相结合。这种残差公式，特别是当以事件数据为条件时，始终优于基线卡尔曼滤波器，表明其在提高短期和中期预测精度方面的有效性。
-
新型卡尔曼滤波算法增强机器人倾角估计
研究人员开发了一种新的倾角估计算法，这对于机器人和运动跟踪等应用至关重要。该系统使用MPU6050惯性测量单元和RP2040微控制器。通过使用卡尔曼滤波器，该算法有效地融合了来自加速度计和陀螺仪的数据，以减轻噪声和漂移，从而比单独使用任一传感器获得更稳定、更准确的倾角估计。
-
CERF框架将协同感知通信成本降低95%
研究人员推出了一种名为CERF的新框架，旨在改进多个智能体之间的协同感知。该系统通过使用一种名为Poture的新型虚拟模态来增强现有特征，从而解决了通信开销和异构性挑战。CERF还采用卡尔曼滤波器和运动预测来减少传输延迟，实现了与现有方法相当的性能，同时将通信成本降低了95%。CERF的一个关键优势在于，它能够集成新的、未知的智能体，而无需额外的再训练。
-
神经网络优化树脂传递模塑流动控制
研究人员开发了一种新颖的树脂传递模塑控制策略，该策略利用神经网络代理模型来优化辅助进料口压力。该方法旨在通过防止树脂过早到达排气口来确保纤维预制件的完全浸润，从而减少干斑的形成。该方法结合了用于跟踪估计的卡尔曼滤波和用于近似复杂有限元模型的神经网络，在分叉几何形状上显示出填充效率的显著提高。
-
新方法使用VAE和Transformer适应非定常流动的ROM
研究人员开发了一种新颖的方法，用于在实时非定常流动模拟中高效地适应降阶模型（ROM）。该方法利用变分自编码器（VAE）进行降维，并使用Transformer网络来建模动力学，结合注意力机制来处理时间依赖性和雷诺数等参数效应。该系统提供不确定性量化，并可以使用稀疏数据适应新的参数区域，主要通过重新训练自编码器组件来最小化计算成本。
-
新框架融合路侧雷达和网联车辆数据以改进定位
研究人员开发了一种新的车辆定位框架，该框架融合了来自路侧雷达和网联车辆的数据。这项在芬兰赫尔辛基一个城市交叉口进行的研究评估了两种基于扩展卡尔曼滤波的策略。虽然融合性能主要受激光雷达可用性的驱动，但雷达提供了一些优势，特别是在激光雷达数据质量下降或以较低速率共享时。研究结果表明，决策级融合提供了依赖于场景的优势，而不是比单一传感器基线带来持续的改进。
-
面向6G开放RAN的新型MIMO波束映射框架
研究人员为面向未来6G网络智能开放RAN开发了一种新颖的自定位MIMO波束映射框架。该系统使用稀疏信道状态信息（CSI）构建分层无线记忆，无需显式位置标签。该框架利用波束域接收信号强度（RSS）进行高效的空间签名估计，并结合双尺度提取器和混合时间编码器来捕捉复杂的信道动态。实验表明，与现有方法相比，物理锚点恢复和信道容量有了显著提高。
-
新的贝叶斯框架通过去除EOV改进结构健康监测
研究人员开发了一种新颖的贝叶斯框架用于结构健康监测（SHM），该框架可同时识别和去除环境与运行变异性（EOV）。该方法将潜在EOV建模为高斯过程，通过卡尔曼滤波器和拉普拉斯近似实现高效推理。该方法在实验室结构和模拟海上风电场上进行了验证，与现有技术相比，证明了改进的损伤检测和EOV恢复能力。
-
新的卡尔曼滤波方法提高了LLM RL微调的效率
研究人员开发了一种新颖的卡尔曼引导提示选择（KGPS）方法，以提高大型语言模型（LLM）的强化学习（RL）微调的效率和有效性。KGPS将提示难度建模为一个动态状态估计问题，使用卡尔曼滤波器来维护一个校准后的提示难度后验分布，该分布会随着训练过程中的策略漂移而调整。这种方法避免了额外的rollout需求，并已展示出最先进的性能，显著减少了rollout需求，同时提高了在各种推理基准上的准确性。
-
新的TRSOC方法通过KL散度增强最优控制
研究人员开发了一种名为轨迹正则化随机最优控制（TRSOC）的新方法，该方法通过引入Kullback--Leibler散度来增强标准的随机最优控制。该散度衡量受控轨迹分布与参考轨迹分布之间的差异，有效地作为漂移失配的惩罚。该方法保持了动态规划结构，并导致修改后的运行成本。实验表明，在性能和对参考动力学（包括从离线数据中学到的动力学）的遵循之间存在可调的权衡。
-
新的边缘感知跟踪管线用于无人机，采用自适应卡尔曼滤波器
研究人员开发了一种新的边缘感知跟踪管线，用于使用热红外成像的无人机（UAV）。该管线以自适应运动学卡尔曼滤波器（AKKF）为中心，在保持实时性能的同时提高了标准卡尔曼滤波器的效率。该系统旨在通过引入瞬态误报抑制和运动学驱动的预测滑行，来改善在频繁遮挡和快速机动等挑战性条件下的轨迹连续性。在Beyond Strong Baseline基准上的实验评估了用于实际部署的跟踪准确性和计算效率。
-
GNet：具有非参数神经元的可扩展高斯过程网络发布
研究人员开发了GNet，这是一种新颖的高斯过程网络，旨在实现可扩展性和灵活性，它利用由高斯过程建模的非参数激活函数。为了解决计算和存储需求，他们引入了联合逆卡尔曼滤波器，这是一种通过避免协方差矩阵形成来加速训练和预测的算法。GNet在各种任务中表现出竞争力，包括非线性函数预测和真实世界数据回归，表明其在降低成本的大规模预测建模方面具有潜力。